AI Agent Nedir? Workflow Otomasyonundan Agentic Sistemlere Geçiş Rehberi

Yapay zekâ dünyasında son dönemin en hızlı yayılan kavramlarından biri hiç şüphesiz AI agent oldu. Ancak bu popülerleşme beraberinde ciddi bir kavramsal bulanıklık da getirdi. Çünkü bugün birçok ürün, araç ve otomasyon akışı “agent” etiketiyle sunuluyor. Oysa her LLM destekli akış, her chatbot, her tool-calling uygulaması veya her otomasyon zinciri gerçek anlamda agentic sistem değildir.

Kurumsal dünyada bu ayrım özellikle önemlidir. Çünkü bir sistemi “agent” olarak konumlandırmak sadece pazarlama diliyle ilgili değildir; mimari karmaşıklık, kontrol yapısı, güvenlik, insan denetimi, sorumluluk alanı ve üretim riski doğrudan bu karardan etkilenir. Bir yerde basit workflow otomasyonu yeterliyken gereksiz agentic tasarım kurmak sistemi kırılganlaştırabilir. Tersine, dinamik karar gerektiren bir problemi sabit workflow ile çözmeye çalışmak da kaliteyi ve ölçeklenebilirliği sınırlar.

Bu nedenle asıl soru “AI agent popüler mi?” değil; hangi problem gerçekten agentic yaklaşım gerektiriyor? sorusudur.

Bu yazıda AI agent kavramını yüzeysel tanımlarla değil; teknik, operasyonel ve kurumsal mimari perspektifle ele alacağım. Workflow otomasyonu ile agentic sistemler arasındaki farkı netleştirecek, tool calling, planning, memory, state management, human-in-the-loop, observability, güvenlik ve governance katmanlarını bütünlüklü şekilde inceleyeceğim. Amaç, agent kavramını hype düzeyinden çıkarıp üretim seviyesinde anlamlı bir sistem tasarımı çerçevesine oturtmaktır.

En sade tanımıyla AI agent, belirli bir hedefe ulaşmak için çevresinden bilgi alan, durumu yorumlayan, uygun eylemleri seçen, gerektiğinde araç kullanan ve çok adımlı biçimde ilerleyebilen yapay zekâ tabanlı sistem bileşenidir. Buradaki kritik fark, agent’ın yalnızca tek seferlik cevap üretmemesi; duruma göre karar verebilmesi, adım seçebilmesi ve bazen önceki adımların sonucuna göre yeni adımlar oluşturabilmesidir.

Başka bir ifadeyle, klasik bir LLM çağrısı çoğu zaman “soru → cevap” çizgisinde ilerler. Agentic sistem ise “hedef → plan → adımlar → araç kullanımı → ara değerlendirme → gerekirse yön değiştirme → sonuç” mantığına daha yakındır.

Ancak burada çok önemli bir uyarı gerekir: Her çok adımlı süreç agent değildir. Her tool-calling akışı da agent değildir. Bir yapının gerçekten agentic sayılabilmesi için sadece çıktı üretmesi değil; duruma bağlı seçim yapabilmesi, karar akışını yönetebilmesi ve bazı durumlarda sabit akıştan ayrışabilmesi gerekir.

Bu ayrım en kritik kavramsal düğümdür. Çünkü birçok organizasyonun aslında ihtiyacı agent değil, iyi tasarlanmış workflow otomasyonudur.

Workflow Otomasyonu Nedir?

Workflow otomasyonu, önceden tanımlanmış adımların belirli kurallarla sıralı biçimde çalıştırılmasıdır. Burada sistemin akışı büyük ölçüde bellidir. Giriş gelir, belirli koşullar kontrol edilir, ilgili işlem yapılır ve süreç tamamlanır. Eğer akışın çoğu önceden çizilebiliyorsa ve sapmalar sınırlıysa, bu yapı genellikle workflow otomasyonu olarak kalır.

Örnekler:

• Form geldiğinde e-posta özetleyip CRM’e yazmak
• PDF’den veri çıkarıp sınıflandırma sonrası ilgili ekibe yönlendirmek
• Müşteri mesajını analiz edip uygun şablon cevabı hazırlamak
• CV yüklenince özet çıkarıp skorlayarak tabloya kaydetmek

Bu tür yapılar değerli olabilir; ama her biri agent olmak zorunda değildir.

Agentic Sistem Nedir?

Agentic sistem ise sabit akışın ötesine geçer. Hedef bellidir ama o hedefe ulaşmak için hangi adımların gerektiği, hangi aracın kullanılacağı, hangi sırayla ilerleneceği veya ne zaman kullanıcıdan ek bilgi isteneceği daha dinamik biçimde belirlenebilir.

Örnekler:

• Kurumsal seyahat planlama asistanının uçuş, otel, şirket politikası ve bütçe kısıtlarını birlikte değerlendirerek çok adımlı plan üretmesi
• Destek ajanının kullanıcının sorununu teşhis etmek için bilgi tabanını taraması, log sistemine bakması, ek soru sorması ve gerekirse ticket açması
• Bir iç operasyon ajanının talebin ne olduğunu anlayıp farklı araçlar arasında seçim yaparak süreci yürütmesi

Burada sistemin değeri yalnızca metin üretiminden değil; hedefe yönelik karar alma akışından doğar.

"

Kritik ayrım: Workflow otomasyonu önceden çizilmiş yolu yürür. Agentic sistem ise bazen yolu da seçer.

Agent kavramı güçlüdür; ama gereksiz kullanıldığında sistemleri daha kırılgan, daha pahalı ve daha zor denetlenebilir hale getirebilir. Çünkü agentic yaklaşım beraberinde daha fazla karar alanı, daha fazla hata ihtimali, daha fazla güvenlik yüzeyi ve daha fazla gözlemlenebilirlik ihtiyacı getirir.

Eğer süreç büyük ölçüde belirliyse, adımlar sabitse ve sistemden beklenen davranış açıkça tanımlanabiliyorsa; o zaman agent yerine kontrollü workflow tasarımı çoğu zaman daha doğru olur.

Kurumsal mimari açısından bakıldığında şu ilke çok değerlidir:

• Sabit problem → workflow otomasyonu
• Yarı-belirli problem → workflow + karar noktaları
• Dinamik, çok araçlı, çok adımlı, bağlama duyarlı problem → agentic sistem

Bu ayrımı yapmayan ekipler, agent mimarisini gereksiz yere karmaşıklaştırır veya tam tersine agent gerektiren problemi basit otomasyonla çözmeye çalışır.

Üretim seviyesinde bir AI agent sistemi genellikle aşağıdaki bileşenlerden oluşur:

1. Hedef tanımı
2. Durum / state yönetimi
3. Planning veya decision logic
4. Tool calling katmanı
5. Memory yapısı
6. Guardrails ve policy kontrolü
7. Human-in-the-loop mekanizması
8. Observability ve evaluation
9. Governance ve güvenlik

Bu katmanların her biri agent’ın “otonomluk derecesini” değil; aynı zamanda “kontrollü üretim kalitesini” belirler.

Bir agent sistemi için ilk soru “hangi aracı kullanacak?” değil; “hangi hedefe ulaşması bekleniyor?” sorusudur. Çünkü agentic sistemler görev odaklıdır. Hedef net değilse agent davranışı dağılır, gereksiz adımlar üretir veya beklenmeyen yollara sapar.

İyi hedef tanımı şu özellikleri taşımalıdır:

• Net olmalı
• İş çıktısına bağlı olmalı
• Başarı kriteri tanımlı olmalı
• Yetki sınırları belli olmalı
• Hangi durumlarda insana eskale edeceği açık olmalı

Kurumsal agent başarısızlıklarının önemli bölümü, çok geniş veya belirsiz hedef tanımından kaynaklanır.

Agentic sistemlerin en kritik farklarından biri, tek bir çağrıda değil; çok adımlı süreç içinde çalışmalarıdır. Bu nedenle sistemin hangi aşamada olduğunu, daha önce ne yaptığını, hangi aracın çağrıldığını, hangi sonuçların döndüğünü ve sıradaki mantıklı adımın ne olduğunu bilmesi gerekir. İşte bu yapı state management ile kurulur.

State iyi yönetilmediğinde şu problemler görülür:

• Aynı işlemi tekrar etme
• Yarıda kalan süreci unutma
• Yanlış araç sıralaması
• Gereksiz maliyet üretimi
• Kullanıcı bağlamını kaybetme

Workflow otomasyonlarında bu problem daha sınırlıdır; çünkü akış statiktir. Agentic sistemlerde ise state, sistemin hafızası kadar önemlidir.

Agent sistemleri anlatılırken en çok romantize edilen alan planning’dir. Ancak burada dikkatli olmak gerekir. Her agent karmaşık planlama yapmaz. Bazı sistemler basit karar ağaçları, bazıları tool-seçim mantığı, bazıları ise gerçekten çok adımlı plan üretimi kullanır.

Planning katmanının görevi şunlardan biri veya birkaçıdır:

• Hedefi alt görevlere ayırmak
• Hangi aracın ne zaman kullanılacağını belirlemek
• Bir adım başarısız olursa alternatif yol seçmek
• Ara çıktıya göre bir sonraki adımı yeniden hesaplamak

Burada temel hata, planlama ihtiyacı olmayan sisteme gereksiz planning katmanı eklemektir. Bu hem latency hem maliyet hem de hata yüzeyini artırır.

Bir agent’ı basit chatbot’tan ayıran en önemli katmanlardan biri araç kullanımıdır. Tool calling sayesinde agent yalnızca metin üretmez; veri çekebilir, sistem sorgulayabilir, kayıt oluşturabilir, e-posta hazırlayabilir, API çağırabilir veya dış servislerle etkileşime girebilir.

Ancak tool calling, üretim kalitesinin en riskli katmanlarından biridir. Çünkü burada sistem artık sadece “öneri” değil, fiili eylem üretmeye yaklaşır.

Tool Calling’de Kritik Sorular

• Hangi araçlar kullanılabilir?
• Hangi kullanıcı hangi araca erişebilir?
• Agent hangi durumda aracı çağırmalı?
• Tool sonucunu nasıl doğrulamalı?
• Riskli eylemler için insan onayı gerekli mi?

Kurumsal yapılarda tool calling kontrolsüz bırakılırsa sistem verimli değil, tehlikeli hale gelebilir.

Memory, agent sistemlerinin sık yanlış anlaşılan bir diğer katmanıdır. Buradaki memory yalnızca kullanıcıyla önceki konuşmayı saklamak değildir. Aynı zamanda sistemin hedefe yönelik ilerlerken ürettiği ara bilgileri, kullanıcı tercihlerini, karar noktalarını ve bağlamsal özetleri yönetmesidir.

Memory farklı seviyelerde ele alınabilir:

• Short-term memory: Mevcut görev içindeki geçici bağlam
• Session memory: Aynı kullanıcı oturumu içindeki süreklilik
• Long-term memory: Tekrarlanan kullanıcı tercihleri veya kurumsal kalıcı bağlam

Burada dikkat edilmesi gereken en kritik konu, memory’nin faydalı olduğu kadar riskli de olmasıdır. Özellikle hassas veri, erişim kontrolü ve yanlış bağlam taşınması gibi konular ciddi mimari dikkat gerektirir.

Kurumsal agent sistemlerinde tam otonomi çoğu zaman doğru hedef değildir. Asıl hedef, doğru yerde doğru otonomi seviyesini kurmaktır. Bazı görevler tamamen otomatik çalışabilir. Bazılarında ise insan onayı, gözden geçirme veya son karar mekanizması şarttır.

Özellikle şu durumlarda human-in-the-loop kritikleşir:

• Dış müşteriye gidecek iletişimler
• Finansal etkisi olan işlemler
• Hukuki veya uyum riskli kararlar
• Kayıt silme, güncelleme, onay verme gibi işlemler
• Belirsizlik seviyesi yüksek kararlar

İyi agent tasarımı, insanı sistemin alternatifi değil; kritik kontrol katmanı olarak görür.

Kurumlar için en önemli mimari soru budur. Her çok adımlı süreci agent yapmak gerekmez. Ancak bazı eşikler aşıldığında statik otomasyon yetersiz kalmaya başlar.

Geçişin Anlamlı Olduğu Durumlar

• Sorgular çok çeşitleniyorsa
• Hangi aracın kullanılacağı her seferinde değişiyorsa
• Süreç içinde ara karar noktaları oluşuyorsa
• Kullanıcı niyeti baştan net değilse
• Bilgi arama, eylem ve doğrulama birlikte gerekiyorsa
• Tek akış yerine dinamik yol seçimi gerekiyorsa

Geçişin Anlamsız Olduğu Durumlar

• Akış tamamen sabitse
• Kurallar açıkça tanımlanmışsa
• Karar noktaları minimumsa
• Aynı işlem seti tekrar ediyorsa
• Agentic katman yalnızca “havalı” görünsün diye ekleniyorsa

Kurumsal mühendislik açısından doğru yaklaşım, önce workflow ile başlanabilecek yerde agent kurmamaktır. Önce problem sabit akışla çözülür; agent ancak gerçekten gerektiğinde devreye alınır.

Bu başlık da son dönemde oldukça popüler hale geldi. Ancak burada da aynı hata tekrar edilir: Çok agent, daha iyi sistem anlamına gelmez. Multi-agent yapı ancak gerçekten görev ayrımı, uzmanlaşma ve koordinasyon değeri üretiyorsa mantıklıdır.

Single-Agent Daha Uygun Olduğunda

• Hedef tek ve netse
• Görev çeşitliliği sınırlıysa
• Tool seti küçükse
• Koordinasyon karmaşıklığı gereksizse

Multi-Agent Daha Uygun Olduğunda

• Farklı uzmanlık alanları ayrışıyorsa
• Planlama, araştırma, doğrulama ve icra ayrı mantıklar gerektiriyorsa
• Koordinasyon maliyeti, görev ayrışmasıyla dengelenebiliyorsa

Çoğu kurum için başlangıç noktası single-agent veya hafif orchestrated agent yapısıdır. Multi-agent, olgunlaşma sonrası düşünülmesi gereken bir adımdır.

1. Agent gerekmeyen probleme agent kurmak
2. Hedefi yeterince net tanımlamamak
3. Tool calling’i güvenlik filtresi olmadan bırakmak
4. Planning katmanını gereksiz karmaşıklaştırmak
5. State yönetimini ihmal etmek
6. Memory’yi kontrolsüz kullanmak
7. Human-in-the-loop ihtiyacını sona bırakmak
8. Observability kurmadan canlıya çıkmak
9. Agent başarısını yalnızca “görev tamamlandı mı?” ile ölçmek
10. Governance ve audit gereksinimlerini göz ardı etmek

Agent sistemleri klasik chatbot’lardan daha karmaşık olduğu için gözlemlenebilirlik burada çok daha kritiktir. Bir agent başarısız olduğunda şu sorulara cevap verilebilmelidir:

• Hangi hedefle başladı?
• Hangi planı oluşturdu?
• Hangi araçları çağırdı?
• Hangi ara sonuçlara göre yön değiştirdi?
• Hangi aşamada hata verdi?
• Neden insana eskale etmedi veya etti?

Observability eksik olduğunda agent sistemleri “sihirli ama açıklanamaz” hale gelir. Bu da kurumsal güvenin önündeki en büyük engellerden biridir.

Agent evaluation, klasik soru-cevap değerlendirmesinden daha zordur. Çünkü burada yalnızca nihai cevap değil; sürecin kendisi de önemlidir.

Ölçülmesi gereken temel boyutlar şunlardır:

• Task completion rate
• Tool selection accuracy
• Planning quality
• Recovery from failure
• Escalation correctness
• Latency ve maliyet
• İnsan müdahalesi ihtiyacı
• Güvenlik ve policy uyumu

Agentic sistemlerde bazen sonuç doğru olsa bile izlenen yol riskli olabilir. Bu nedenle evaluation sadece sonuca değil, sürece de bakmalıdır.

Agent sistemleri bilgiye erişmekle kalmayıp eylem de üretebildiği için güvenlik riski klasik LLM uygulamalarından daha yüksektir. Özellikle tool calling olan yapılarda şu riskler belirginleşir:

• Yanlış sistemde yanlış işlem tetikleme
• Yetkisiz veri erişimi
• Aşırı otonomi nedeniyle hatalı aksiyon
• Kötü niyetli prompt veya girdi ile yönlendirme
• Audit izi olmadan kritik işlem yapılması

Bu nedenle agent sistemlerinde governance şu başlıkları kapsamalıdır:

• Yetki sınırları
• Aksiyon onay seviyeleri
• İnsan denetim politikaları
• Loglama ve audit trail
• Risk sınıflandırması
• Rollback ve incident yönetimi

1. İç Operasyon Asistanı

Çalışanlardan gelen farklı operasyon taleplerini anlayıp uygun sistemi seçen, bilgi toplayan, süreç başlatan ve gerektiğinde insana eskale eden agent yapısı.

2. Destek ve Servis Ajanı

Kullanıcı sorununu teşhis eden, bilgi tabanını sorgulayan, log verisi inceleyen, çözüm adımı öneren ve gerekirse ticket oluşturan sistem.

3. Seyahat ve Uyum Ajanı

Kullanıcı isteğini şirket politikası, bütçe kuralları ve seyahat seçenekleriyle birlikte değerlendirerek yöneten agentic yapı.

4. Analiz ve Raporlama Ajanı

Veri çekme, özetleme, istisna tespiti, yorum üretme ve çıktı biçimlendirme gibi çok adımlı analiz akışlarını yöneten sistem.

İlk 30 Gün: Problemi Sınıflandır

• Mevcut otomasyon süreçlerini listele
• Hangilerinin sabit workflow, hangilerinin dinamik karar gerektirdiğini ayır
• Agent gerektiren use-case’leri önceliklendir
• Riskli aksiyon alanlarını belirle

31-60 Gün: Kontrollü Agent Tasarımı Kur

• İlk single-agent mimarisini tanımla
• Tool calling ve state yapısını sınırlandır
• Human-in-the-loop noktalarını belirle
• Evaluation ve observability sinyallerini tasarla

61-90 Gün: Üretim Disiplini Kur

• Governance ve audit kurallarını devreye al
• Escalation ve rollback mantığını netleştir
• Use-case bazlı performans ve risk ölçümünü yap
• İlk referans agent mimarisini kurum standardı haline getir

AI agent kavramı heyecan vericidir; ancak kurumsal dünyada gerçek değer, “ajan” etiketi kullanmaktan değil, doğru problem için doğru otonomi seviyesini kurmaktan gelir. Workflow otomasyonu ile agentic sistemler arasındaki farkı doğru anlamayan ekipler ya gereksiz karmaşıklık kurar ya da gerçekten dinamik karar gerektiren süreçleri yetersiz otomasyonla sınırlar.

Gerçek üretim kalitesinde agentic sistemler; planning, state, tool calling, memory, human-in-the-loop, observability ve governance katmanlarının birlikte düşünüldüğü sistemlerdir. Başarı burada yalnızca daha akıllı cevap üretmekten değil; hedefe kontrollü, güvenli ve denetlenebilir şekilde ilerlemekten doğar.

Sonuç olarak AI agent, bir chatbot’un yeni adı değildir. O, doğru tasarlanırsa kurum içinde karar destek, görev yürütme ve süreç orkestrasyonu için güçlü bir yapay zekâ işletim modeli haline gelebilir. Ancak bu değer, ancak mimari disiplinle ortaya çıkar.

Her LLM tabanlı otomasyon bir agent midir?

Hayır. Bir sistemin agent sayılması için genellikle çok adımlı hedef odaklı ilerleme, araç seçimi, duruma bağlı karar alma ve bazen state yönetimi gibi özellikler gerekir.

Workflow otomasyonu ile agent arasında en büyük fark nedir?

Workflow otomasyonu önceden tanımlanmış akışı yürütür. Agentic sistem ise bazı durumlarda hangi adımın izleneceğini de seçebilir.

Agent sistemler her zaman daha mı iyidir?

Hayır. Sabit ve net süreçlerde workflow otomasyonu çoğu zaman daha güvenli, daha ucuz ve daha denetlenebilir olur.

AI agent için memory şart mı?

Her zaman değil. Ancak çok adımlı süreç, kullanıcı bağlamı veya uzun görev akışı varsa memory ve state yapısı büyük önem kazanır.

Kurumsal agent sistemlerinde en kritik katman hangisidir?

Tek bir katman seçmek doğru olmaz. Ancak tool calling kontrolü, human-in-the-loop, observability ve governance genellikle en kritik üretim katmanları arasında yer alır.